Investigadores del INTA Pergamino lograron más del 92% de precisión al estimar variables asociadas al rendimiento del maíz mediante imágenes aéreas y modelos digitales.
El uso combinado de drones, sensores remotos e inteligencia artificial comienza a transformar la evaluación de los cultivos. Investigadores del INTA Pergamino desarrollaron modelos capaces de estimar desde el aire variables relacionadas con la producción de biomasa y el rendimiento del maíz, con niveles de precisión superiores al 92% en híbridos comerciales.
La iniciativa busca agilizar el fenotipado, reducir las evaluaciones manuales y generar información objetiva para los programas de mejoramiento genético. Para avanzar en ese objetivo, la Estación Experimental Agropecuaria (EEA) Pergamino incorporó un vehículo aéreo no tripulado equipado con tecnología multiespectral y térmica.
El proyecto se desarrolla en el marco del Programa Nacional de Ecofisiología y Agroecosistemas y articula especialistas en Sistemas de Información Geográfica (SIG), ecofisiología de cultivos y mejoramiento de maíz y girasol. El trabajo también se vincula con otras experimentales mediante la Red Nacional de Drones del INTA.
Según explicó Javier Portillo, investigador del INTA Pergamino, las evaluaciones tradicionales de los programas de mejoramiento demandan numerosas horas de trabajo y dependen de observaciones realizadas por operarios en el campo. Los sensores remotos, en cambio, permiten medir repetidamente y de manera objetiva características resultantes de la interacción entre genética y ambiente.
Del campo a las imágenes aéreas
La tecnología ya mostró resultados en diferentes cultivos. En soja, vuelos realizados durante el ciclo permitieron seguir la evolución de la cobertura foliar y estimar la altura de las plantas con un margen de error inferior al 8% respecto de las mediciones efectuadas manualmente.
En girasol, el equipo combinó imágenes aéreas con algoritmos de aprendizaje automático para agilizar la identificación de híbridos resistentes a herbicidas comerciales. Esto permite analizar simultáneamente una mayor cantidad de parcelas y acelerar las evaluaciones de los materiales.
También comenzaron estudios en trigo mediante índices de vegetación destinados a seguir la velocidad de secado del grano antes de la cosecha, una característica relacionada con la calidad final del cereal.
Más del 92% de precisión en maíz
Parte de los avances obtenidos en maíz serán presentados en el XIII Congreso Nacional de Maíz. Uno de los trabajos, liderado por José Menes, del grupo SIG, evaluó la posibilidad de estimar la altura de las plantas utilizando modelos digitales de superficie generados a partir de imágenes captadas por drones.
Los resultados mostraron entre 81% y 86% de coincidencia respecto de las mediciones manuales. Contar con esta información de manera rápida puede contribuir a caracterizar la estructura de los cultivos y detectar materiales con mayor riesgo de quebrado o vuelco de tallos, problemas capaces de ocasionar pérdidas durante la cosecha.
Una segunda investigación avanzó sobre una variable estrechamente relacionada con la producción de biomasa y el rendimiento: la fracción de radiación solar interceptada por las plantas. Para estimarla, los especialistas analizaron más de 60 indicadores obtenidos mediante sensores remotos.
La cobertura verde, un indicador clave
Uno de los resultados destacados fue que el porcentaje de cobertura verde observado desde el aire presentó una mayor capacidad para predecir la radiación interceptada que otros índices habitualmente utilizados en agricultura digital.
Entre ellos se encuentra el NDVI, que mostró una relación satisfactoria con la variable estudiada, aunque fue superado por la cobertura verde. Los modelos desarrollados alcanzaron precisiones superiores al 92% en híbridos comerciales y al 86% en líneas de maíz.
Estos resultados abren la posibilidad de evaluar una mayor cantidad de materiales en menos tiempo y con criterios estandarizados. La tecnología podría facilitar así la identificación de características de interés agronómico dentro de los programas de mejoramiento.
Para los investigadores, la incorporación de drones y herramientas de análisis digital no busca solamente reemplazar mediciones manuales. El desafío es generar protocolos capaces de transformar grandes volúmenes de imágenes en información agronómica útil y repetible, acelerando la selección de materiales y aportando nuevas herramientas al mejoramiento genético del maíz.
